基于lstm神经网络的短期用电负荷预测方法
技术领域
1.本发明涉及电力技术技术领域，具体为基于lstm神经网络的短 期用电负荷预测方法。
背景技术：
2.在根据预测结果分类,负荷预测可分为短期负荷预测和中长期负 荷预测。对于短期负荷预测,国内外研究方法主要可以概括为以下2 类：一类是以时间序列法为代表的传统方法；另一类是以人工神经网 络法为代表的新型人工智能方法。前者主要有时间序列法、多元线性 回归法及傅立叶展开法等,这些方法多以纯数学理论为根基,难以适 应日新月异的电网发展和用户侧日益提高的需求而被逐渐淘汰。而在 新型人工智能方法中,运用最为典型的是神经网络法。一些文献运用 了神经网络中最为普遍的bp神经网络,采用levenberg-marquardt算 法进行训练,该方法预测效果受到bp网络结构简单、学习能力较差的 限制,达不到很高的精度。
3.随着研究的进展,单一的神经网络方法逐渐显露出了它的局限性, 将神经网络与其他算法相结合的思想为越来越多的研究人员所采用。 另一些文献提出了一种基于粒子群算法的神经网络方法进行短期负 荷预测,通过粒子群算法优化网络初始值以及每个阶段网络的参数。 除了代表性的神经网络算法以外,信息时代的发展也使得负荷预测的 方法越来越多元化,也有文献提出了基于小波聚类的方法对配变负荷 进行预测研究；还有文献采用了随机森林算法进行负荷预测。
4.短期负荷主要用于预测未来几天的负荷数据。而对于日负荷数据 而言,具有很强的周期性,具体体现在以下几点：不同日的日负荷曲线 其整体规律相似；同一星期类型日负荷规律相似；工作日、休息日负荷 规律各自相似；不同年度法定节假日的规律相似。利用用电负荷的特 性，采用神经网络分析方法，进行短期负荷预测。
技术实现要素：
5.(一)解决的技术问题
6.针对现有技术的不足，本发明公开了基于lstm神经网络的短期 用电负荷预测方法，以解决上述背景技术中提出的问题。
7.(二)技术方案
8.为实现以上目的，本发明通过以下技术方案予以实现：基于lstm 神经网络的短期用电负荷预测方法历史数据准备、数据预处理、归一 化处理、输入输出量选择、lstm神经网路结构的确定和实例验证：
9.历史数据准备，准备电力全天96点的历史负荷数据；
10.数据预处理，由于在数据采集过程中,存在人为操作不当、设备 老化等情况的影响,造成坏数据的产生,极大地影响预测模型的准确 度,因此在输入训练数据前需要对样本中的坏数据进行识别与处理；
11.归一化处理，进行脏数据的识别和处理后,再对新的数据集进行 归一化处理，处理后，所得负荷数据值均在0～1之间,完成了归一化；
12.输入输出量选择，本发明选择1-7天全天96点的负荷作为输入， 第8天全天96点的历史负荷数据作为标签输出进行第一次训练；而后 以2-8天历史数据作为输入，第9天历史负荷数据作为标签输出进行第 二次训练，以次中方式进行迭代预测。
13.lstm神经网路结构的确定，确定输入输出量之后，需确定合适的 网络结构，网络结构中选择多模型单变量预测方法确定输入输出节点 个数；
14.实例验证，对历史负荷和预测值进行对比。
15.优选的，所述输入数据的预处理：
16.由于负荷数据具有周期性，在24小时内数据横向相似，既不会 初夏突变数据，采用横向比较法进行坏数据的识别和处理。利用样本 统计指标与自定义阈值判断是否有异常数据；数据采集频率为每15 分钟一个点位，故所采集的数据为n天96个单位的矩阵，处理具体 步骤如下：
17.首先基于(1)、(2)式计算序列的均值与方差；
[0018][0019][0020]
在通过(3)式进行3σ原理的异常数据判断，其中ε为阈值，通 常取值为1～1.5；
[0021][0022]
若数据满足式(3)，则x
n,i
为异常数据，可用(4)式进行权重修 正
[0023][0024]
其中α1+β1+γ1＝1，为第n天第i点修正数据，xn±
1，i
为 x
n，i
附近2个横向负荷点，为距离x
n，i
最近的2个相似 日负荷点。
[0025]
进行异常数据识别和处理后，在对新的数据集进行归一化处理， 设数据集为矩阵x，则
[0026][0027]
经过归一化之后变为矩阵：
[0028][0029]
其中
[0030]
这里为变量xi的最小值
[0031]
为变量得极差，经过(6)式变化后，所得负 荷数据值均在0～1
之间，完成了归一化。
[0032]
优选的，所述输入输出的选择：
[0033]
有历史数据得出结论，负荷数据按工作日和休息日每周呈周期性 变化，周末时用电负荷与工作日相比有所下降，为了利用这一特性， 本发明采用迭代预测的方式，如要预测5月30号的24h负荷值,以4月 1～7号的历史负荷数据作为输入,4月8号的历史负荷数据作为标签输 出进行第一次训练,而后以4月2～8号的历史负荷数据作为输入,9号的 历史负荷数据作为标签输出进行第二次训练,以此种方式进行迭代预 测直到得到5月30号的负荷预测值,同时,本文将历史数据采用 one-hot编码后再作为训练样本,可更好地利用历史负荷数据的周期 性规律。
[0034]
优选的，所述lstm神经网络结构的确定：
[0035]
确定了输入输出量之后,下一步关键工作是确定一个合适的网络 结构,网络结构中,最核心的步骤是先确定输入输出节点个数。
[0036]
本发明公开了基于lstm神经网络的短期用电负荷预测方法，其 具备的有益效果如下：
[0037]
该基于lstm神经网络的短期用电负荷预测方法，本发明采用多变 量单模型方法构建网络。由于lstm网络权重共享方式上与传统神经网 络的不同,当采用96个输出节点时,lstm所需要学习的参数相比于传 统神经网络大为减少,极大地方便了模型的建立,仅需要一个网络即 可完成高精度的负荷预测,这也是lstm网络在负荷预测上优于传统神 经网络的方面。
[0038]
该基于lstm神经网络的短期用电负荷预测方法，多模型单变量预测：使 用96个不同的神经网络预测模型分别对应一天中的96个数据采样点,此种方 法优点是单个网络结构较为小、参数易收敛；缺点是过程冗杂,同时单个网络 易过拟合,若需要预测一天负荷值,则需要搭建96个这样的模型。
具体实施方式
[0039]
本发明使用到的标准零件均可以从市场上购买，异形件根据说明书的记 载均可以进行订制。
[0040]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术 人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这 些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权 利要求及其等同物限定。
[0041]
基于lstm神经网络的短期用电负荷预测方法，包括历史数据准 备、数据预处理、归一化处理、输入输出量选择、lstm神经网路结 构的确定和实例验证：
[0042]
历史数据准备，准备电力全天96点的历史负荷数据；
[0043]
数据预处理，由于在数据采集过程中,存在人为操作不当、设备 老化等情况的影响,造成坏数据的产生,极大地影响预测模型的准确 度,因此在输入训练数据前需要对样本中的坏数据进行识别与处理；
[0044]
归一化处理，进行脏数据的识别和处理后,再对新的数据集进行 归一化处理，处理后，所得负荷数据值均在0～1之间,完成了归一化；
[0045]
输入输出量选择，本发明选择1-7天全天96点的负荷作为输入， 第8天全天96点的
历史负荷数据作为标签输出进行第一次训练；而后 以2-8天历史数据作为输入，第9天历史负荷数据作为标签输出进行第 二次训练，以次中方式进行迭代预测。
[0046]
lstm神经网路结构的确定，确定输入输出量之后，需确定合适的 网络结构，网络结构中选择多模型单变量预测方法确定输入输出节点 个数；
[0047]
实例验证，对历史负荷和预测值进行对比。
[0048]
所述输入数据的预处理：
[0049]
由于负荷数据具有周期性，在24小时内数据横向相似，既不会 初夏突变数据，采用横向比较法进行坏数据的识别和处理。利用样本 统计指标与自定义阈值判断是否有异常数据；数据采集频率为每15 分钟一个点位，故所采集的数据为n天96个单位的矩阵，处理具体 步骤如下：
[0050]
首先基于(1)、(2)式计算序列的均值与方差；
[0051][0052][0053]
在通过(3)式进行3σ原理的异常数据判断，其中ε为阈 值，通常取值为1～1.5；
[0054][0055]
若数据满足式(3)，则x
n，i
为异常数据，可用(4)式进行权重 修正
[0056][0057]
其中a1+β1+γ1＝1，为第n天第i点修正数据，xn±
1，i
为 x
n，i
附近2个横向负荷点，为距离x
n，i
最近的2个相似 日负荷点。
[0058]
进行异常数据识别和处理后，在对新的数据集进行归一化处理， 设数据集为矩阵x，则
[0059][0060]
经过归一化之后变为矩阵：
[0061][0062]
其中
[0063]
这里为变量的最小值
[0064]
为变量得极差，经过(6)式变化后，所得负 荷数据值均在0～1之间，完成了归一化。
[0065]
所述输入输出的选择：
[0066]
有历史数据得出结论，负荷数据按工作日和休息日每周呈周期性 变化，周末时用
电负荷与工作日相比有所下降，为了利用这一特性， 本发明采用迭代预测的方式，如要预测5月30号的24h负荷值,以4月 1～7号的历史负荷数据作为输入,4月8号的历史负荷数据作为标签输 出进行第一次训练,而后以4月2～8号的历史负荷数据作为输入,9号的 历史负荷数据作为标签输出进行第二次训练,以此种方式进行迭代预 测直到得到5月30号的负荷预测值,同时,本文将历史数据采用 one-hot编码后再作为训练样本,可更好地利用历史负荷数据的周期 性规律。
[0067]
所述lstm神经网络结构的确定：
[0068]
确定了输入输出量之后,下一步关键工作是确定一个合适的网络 结构,网络结构中,最核心的步骤是先确定输入输出节点个数。
[0069]
以上显示和描述了本发明的基本原理和主要特征和本发明的优 点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上 述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明 精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改 进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权 利要求书及其等效物界定。